科学家说，他们在开发了一种量子计算技术来运行机器学习算法以优于最先进的古典计算机后取得了突破。
研究人员在6月2日发表的一项研究中揭示了他们的发现自然光子学。
科学家使用了一种依赖量子光子电路和定制机器学习算法的方法。
该团队的技术仅使用两个光子，成功证明了用于运行机器学习算法的标准经典计算方法的速度，准确性和效率提高。
科学家们说，这是量子机器学习第一次用于现实世界中的问题之一，并提供了无法使用二进制计算机模拟的好处。他们说，由于其新颖的结构，它可以应用于仅具有单个量子的量子计算系统。
与许多现有的方法通过混合量子经典计算技术实现加速的方法不同，这种新方法不需要纠缠大门。相反，它依赖于光子注入。
本质上，该团队使用了飞秒激光器 - 在飞秒中测得的极短脉冲（10英寸»µ秒）中发出光线的激光器在硼硅酸盐玻璃基板上写入以从数据集中分类数据点。然后将光子注入六个不同的构型，这些配置是由混合量子二进制系统处理的。
科学家通过测量光子完成量子电路花费了多长时间来确定光子测量在何处超过了通过经典计算进行的。然后，他们隔离了量子处理提供益处的过程，并将结果与经典输出进行了比较。
研究人员发现，使用光子量子电路运行的实验比仅使用经典计算技术进行的实验更快，更准确，更节能。这种提高的性能适用于一种特殊的机器学习，称为“基于内核的机器学习”，该学习可以在数据分类中具有无数的应用程序。
虽然深度神经网络已经成为内核方法越来越受欢迎的替代品对于过去十年的机器学习，基于内核的系统已经看到复活在过去的几年中，由于它们的相对简单性和与小型数据集合作时的优势。
该团队的实验可能会导致自然语言处理和其他监督学习模型领域中更有效的算法。
也许最重要的是，该研究展示了一种识别量子计算机在混合计算机系统中表现出色的任务的新方法。
研究人员说，所使用的技术是可扩展的，这意味着随着光子或量子数量的增加，它们可能会提高性能。反过来，这可能使开发能够超过当今模型的限制的机器学习系统成为可能，该系统越来越面对面功耗限制由于通过电子设备处理数据所需的巨大能量要求。
研究人员声称，他们的技术将“打开混合方法的大门，其中使用光子处理器来增强标准机器学习方法的性能。”